Voorspellen van de werkloosheid. Kan het beter?

Dit document beschrijft verschillende routes om de CPB-kortetermijnramingen van de werkloosheid te ondersteunen. Op basis van recente wetenschappelijke literatuur is onderzocht of de werkloosheid nauwkeuriger geraamd kan worden met tijdreeksmodellen. Daarnaast besteden we aandacht aan de kwaliteit van voorspellingen in de buurt van omslagpunten.

Tijdreeksmodellen verbeteren niet de werkloosheidsraming van twee jaar vooruit, maar wel de kortetermijnraming van drie tot vijf kwartalen vooruit. Op die voorspelhorizon zijn de fouten ongeveer 15-25% (0,1%-punt) kleiner dan die van huidige macro-economische modellen.

De zogenaamde Bayesiaanse tijdreeksmodellen (BVAR) voorspellen de werkloosheid tot maximaal vijf kwartalen vooruit beter dan de huidige CPB-systematiek. Dit geldt zowel voor modellen die gebruik maken van arbeidsmarktstromen als voor een directe voorspelling van het werkloosheidspercentage. Voorspellen aan de hand van het verband tussen werkloosheid en bbp (wet van Okun) blijkt te eenvoudig om de raming te verbeteren. De beste resultaten worden behaald door de BVAR-modellen te combineren tot één raming. Deze resultaten gelden voor ‘normale’ perioden, maar ook rond de twee onderzochte omslagpunten. Vanaf zes kwartalen vooruit zijn de CPB-voorspellingen weer beter dan die van de onderzochte methoden.

De nieuw ontwikkelde modellen zullen worden gebruikt om de werkloosheidsraming te ondersteunen. De nieuwe tijdreeksmodellen vervangen het huidige macromodel niet omdat er, naast de werkloosheid, nog veel andere macro-economische variabelen geraamd moeten worden en deze met elkaar een consistent beeld moeten opleveren.

Lees ook het bijbehorende artikel op ESB.nl